YOLOvME : la révolution numérique des forêts

L'équipe Ultralytics

4 min lire

5 octobre 2022

Découvrez la recherche forestière transformatrice de Stefano Puliti qui utilise YOLOv5 pour la détection et l'analyse par drone dans le domaine de la foresterie.

Stefano Puliti est chercheur en télédétection forestière à l'Institut norvégien de recherche en bioéconomie (NIBIO), dans le département de l'inventaire forestier national. Le NIBIO est l'un des plus grands instituts de recherche de Norvège, avec environ 700 employés. Il contribue à la sécurité alimentaire, à la gestion durable des ressources, à l'innovation et à la création de valeur par le biais de la recherche et de la production de connaissances.

Dans ses recherches, les drones et d'autres techniques de détection proximale telles que le balayage laser mobile sont utilisés pour produire des analyses avancées nécessaires pour répondre aux besoins modernes en matière d'information.

La plupart de ses travaux ont été réalisés dans le cadre du projet SmartForest, un programme de recherche à long terme financé par le Conseil norvégien de la recherche et la plupart des acteurs de l'industrie forestière en Norvège. L'objectif de SmartForest est d'améliorer l'efficacité du secteur forestier norvégien en permettant une révolution numérique qui transforme l'information forestière, la sylviculture, les opérations forestières, l'approvisionnement en bois et l'ensemble du flux d'informations numériques dans l'industrie.

Stefano a travaillé pendant de nombreuses années avec des applications d'apprentissage automatique plus traditionnelles telles que les forêts aléatoires ou les machines à vecteurs de support. Il y a environ trois ans, il a réalisé qu'il était temps de passer à la vitesse supérieure dans le domaine de l'apprentissage profond, qui est encore en phase de croissance pour le secteur forestier. Depuis qu'il a pris conscience des avantages considérables que les chercheurs peuvent tirer de l'apprentissage profond, Stefano a développé plusieurs applications dans le domaine des drones et de la vision artificielle.

Depuis combien de temps utilisez-vous YOLOv5 ?

"Je l'utilise depuis l'été 2021, et je ne l'ai pas abandonné depuis ! Je dois dire que c'était un coup de foudre grâce à la facilité d'obtenir le YOLOv5 et de la facilité avec laquelle il a été possible de l'utiliser. Cela a été extrêmement précieux pour moi car à l'époque je n'étais pas très familier avec python et la courbe d'apprentissage peu profonde de YOLOv5 a été le facteur décisif."

Stefano a eu recours à la détection d'objets principalement pour identifier sur les images de drone les arbres en mauvais état de santé en raison des dommages causés par des agents abiotiques (sécheresse, vent, neige) ou biotiques (insectes et champignons). Depuis, lui et ses collègues ont développé toute une famille de détecteurs YOLOv5, des nids-de-poule aux détecteurs de bord de route et d'épines.

"Lorsque je suis tombé sur YOLOv5, j'avais essayé sans succès d'entraîner quelques détecteurs d'objets dans l'API de détection d'objets TensorFlow depuis un certain temps. Puis je suis tombé sur le repo de YOLOv5 et (sans grand espoir) j'ai essayé d'entraîner un détecteur et, à ma grande surprise, j'ai commencé le processus d'apprentissage avec quatre lignes de code. Je ne suis pas sûr que l'on puisse définir cela comme un processus de réflexion ou plutôt comme un coup de chance, mais cela a commencé".

La plupart des modèles sont ensuite déployés sur leur solution en nuage (ForestSens) pour fournir des services au secteur forestier. Les utilisateurs peuvent y télécharger, par exemple, des images de drones qui sont ensuite transformées en informations exploitables grâce à notre famille de modèles YOLOv5. Certains de leurs détecteurs entraînés sont également déployés sur des machines forestières ou des grumiers.

Depuis le début, Stefano et son équipe ont développé toute une série de modèles YOLOv5 destinés à être utilisés dans le cadre de l'aide au développement :

  1. Évaluation de la qualité du bois
  2. Contrôler les besoins en matière d'entretien des routes forestières
  3. Détecter les caractéristiques pertinentes pour la biodiversité dans la forêt

En outre, ils envisagent d'étendre leurs modèles de santé et d'inventaire des forêts basés sur les drones à des données d'images aériennes et satellitaires de résolution plus grossière.

Avec les dernières versions de YOLOv5, ils attendent avec impatience la classification d'images et la segmentation sémantique que YOLOv5 peut offrir. Ces fonctionnalités leur permettront d'étendre leur capacité à résoudre des tâches complexes de vision par ordinateur dans des environnements forestiers.

La facilité de mise en place, tant pour la formation des modèles (version docker) que pour le déploiement des modèles, a fait de YOLOv5 une excellente option pour eux.

"L'un des aspects qui m'a toujours fasciné chez Ultralytics est le modèle commercial plutôt nouveau qui s'appuie sur un code ouvert à la base et propose des produits payants pour les non-spécialistes afin d'accéder à la puissance de l'apprentissage profond. En tant que scientifique, j'apprécie beaucoup l'ouverture d'Ultralytics et je trouve que c'est un excellent moyen d'accélérer le développement du produit. En conséquence, YOLOv5 connaît des améliorations assez radicales en constante évolution grâce à la contribution de nombreux scientifiques et praticiens des données."
Arbre avec YOLOv5

Que recommanderiez-vous à quelqu'un qui découvre l'IA ?

Lors des conférences internationales de l'année dernière, j'ai constaté que les chercheurs en foresterie étaient soit effrayés par la complexité de l'apprentissage profond, soit ne pensaient pas qu'il pouvait jouer un rôle dans leur recherche. Dans tous ces cas, j'ai suggéré de prendre une demi-journée d'annotation et d'essayer d'entraîner un YOLOv5 pour comprendre sa puissance et sa simplicité.

En d'autres termes, je disais : "Votre méthode ne fonctionne pas" : "Votre méthode ne fonctionne pas ? Alors YOLO !"

Si vous souhaitez rester informé de l'actualité de Stefano Puliti et de son travail, n'hésitez pas à suivre son compte Twitter.

Vous avez votre propre cas d'utilisation de YOLOv5 ?

Taguez-nous avec #YOLOvME sur nos médias sociaux avec votre propre cas d'utilisation de YOLOv5 et nous ferons la promotion de votre travail auprès de la communauté ML.

Construisons ensemble le futur
de l'IA !

Commencez votre voyage avec l'avenir de l'apprentissage automatique

Commencer gratuitement
Lien copié dans le presse-papiers